论文部分内容阅读
可靠性评估技术是数控机床尤其是高档重型数控机床的关键技术之一。Bayes方法能够利用先验信息补充现场试验信息,是解决单件小批生产的重型数控机床因现场故障数据稀少传统概率统计理论无法进行可靠性评估问题的最主要方法。本文针对重型数控机床Bayes可靠性评估中确定先验分布时存在一定盲目性的问题,以单件小批重型数控机床为研究对象,开展基于Bayes方法的数控机床可靠性评估研究,主要完成了以下研究工作:(1)针对相似机床故障数据分布类型不唯一导致传统Bootatrap法无法确定先验分布问题,通过分析机床故障数据分布类型不唯一的原因,提出RBF神经网络扩充故障数据样本确定分布类型方法,通过仿真算例验证了分布类型确定方法的准确性,在此基础上,为了减小抽样误差,利用参数Bootstrap法建立先验分布,提出一种基于RBF神经网络的参数Bootatrap先验分布确定方法。(2)针对KL距离法计算的可信度与实际真值可能存在较大出入问题,指出KL距离法确定现场故障数据概率密度的不合理性,考虑现场故障数据概率密度的随机性,以减少随机因素干扰为目的,提出一种基于非线性约束-KL距离的先验信息可信度计算方法,通过工程实例验证了新方法的有效性。(3)在本文所提先验分布构建方法下,基于Bayes方法对某重型数控机床CXK×××进行可靠性评估,得到CXK×××故障间隔时间的概率分布与平均故障间隔时间(MTBF),通过比较某机床小样本下本文Bayes方法的评估结果与该机床大样本下概率统计理论的评估结果,说明了本文方法的准确性。